論文の概要: Pure Exploration in Multi-armed Bandits with Graph Side Information

• arxiv url: http://arxiv.org/abs/2108.01152v1
• Date: Mon, 2 Aug 2021 20:06:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-04 14:06:55.165527
• Title: Pure Exploration in Multi-armed Bandits with Graph Side Information
• Title（参考訳）: グラフサイド情報を用いた多腕バンディットの純粋探査
• Authors: Parth K.Thaker, Nikhil Rao, Mohit Malu, Gautam Dasarathy
• Abstract要約: グラフ側情報を用いたマルチアームバンディットの純粋探索について検討する。 この問題に対する新しいアルゴリズムGRUB(GRaph based UcB)を提案する。 利用可能なグラフ側情報を利用することで、純粋な探索法よりも大きな改善がもたらされることが示される。
• 参考スコア（独自算出の注目度）: 11.633592964399806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study pure exploration in multi-armed bandits with graph side-information. In particular, we consider the best arm (and near-best arm) identification problem in the fixed confidence setting under the assumption that the arm rewards are smooth with respect to a given arbitrary graph. This captures a range of real world pure-exploration scenarios where one often has information about the similarity of the options or actions under consideration. We propose a novel algorithm GRUB (GRaph based UcB) for this problem and provide a theoretical characterization of its performance that elicits the benefit of the graph-side information. We complement our theory with experimental results that show that capitalizing on available graph side information yields significant improvements over pure exploration methods that are unable to use this information.
• Abstract（参考訳）: グラフ側情報を用いたマルチアームバンディットの純粋探索について検討する。 特に、与えられた任意のグラフに対してアーム報酬が滑らかであるという仮定の下で、固定信頼設定における最高のアーム(および最良に近いアーム)識別問題を考える。 これは、検討中のオプションやアクションの類似性に関する情報をしばしば持っている現実世界の純粋な爆発シナリオを捉えている。 本稿では,この問題に対する新しいアルゴリズムgrub(graph based ucb)を提案し,その性能を理論的に評価し,グラフ側情報の有効性を明らかにした。 この理論を実験結果で補完し, 利用可能なグラフサイド情報を利用することで, 純粋な探索手法よりも大幅に改善できることを示す。

関連論文リスト

• Stochastic Graph Bandit Learning with Side-Observations [4.910658441596583]
  基礎となるグラフ構造と報酬ギャップの両方に適応するアルゴリズムを提案する。 我々の知る限りでは、この設定においてギャップ依存の上界を初めて提供するアルゴリズムである。
  論文  参考訳（メタデータ） (2023-08-29T08:14:19Z)
• Graph Neural Bandits [49.85090929163639]
  グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。 提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
  論文  参考訳（メタデータ） (2023-08-21T15:57:57Z)
• Differential Good Arm Identification [4.666048091337632]
  本稿では,GAI(Good Arm Identification)と呼ばれる多腕バンディット問題の変種を対象とする。 GAIは純粋な探索用バンディット問題であり、できるだけ少ないサンプルで優れた腕を出力することを目的としている。 本稿では,DGAI - 優れた腕識別アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-13T14:28:21Z)
• Towards Explanation for Unsupervised Graph-Level Representation Learning [108.31036962735911]
  既存の説明手法は,教師付き設定,例えばノード分類,グラフ分類に重点を置いているが,教師なしグラフレベルの表現学習に関する説明はまだ探索されていない。 本稿では,非教師付きグラフ表現における説明問題に対処するために,インフォメーション・ボトルネックの原則(IB)を推進し,新しい原理であるtextitUnsupervised Subgraph Information Bottleneck(USIB)を導出する。 また,グラフ表現とラベル空間上の説明部分グラフの関連性も理論的に解析し,表現の堅牢性が説明部分グラフの忠実性に寄与することを明らかにする。
  論文  参考訳（メタデータ） (2022-05-20T02:50:15Z)
• Improving Subgraph Recognition with Variational Graph Information Bottleneck [62.69606854404757]
  部分グラフ認識は、グラフ特性に最も有益であるグラフの圧縮された部分構造を発見することを目的としている。 本稿では,サブグラフ内の情報を圧縮するためのノイズ注入手法を提案する。
  論文  参考訳（メタデータ） (2021-12-18T10:51:13Z)
• Best Arm Identification under Additive Transfer Bandits [49.69203462561861]
  提案手法は, 未知であるにもかかわらず, ソースとターゲットMABインスタンスの間には, 付加的な関係があることが知られている。 本稿では,LUCBスタイルのアルゴリズムを理論的に解析し,高い確率で$epsilon$-optimal target armを同定する。
  論文  参考訳（メタデータ） (2021-12-08T02:20:18Z)
• The Role of Contextual Information in Best Arm Identification [13.651941268805693]
  本研究では,帯域でコンテキスト情報が得られる場合に,信頼度を固定したベストアーム識別問題について検討する。 この問題に対して、インスタンス固有のサンプル複雑性の低い境界を示す。 我々は、文脈情報がより高速なベストアーム識別に寄与することを実験的に確認する。
  論文  参考訳（メタデータ） (2021-06-26T18:39:38Z)
• Recognizing Predictive Substructures with Subgraph Information Bottleneck [97.19131149357234]
  IB-subgraph というサブグラフを認識するための新しいサブグラフ情報ボトルネック(SIB)フレームワークを提案する。 相互情報の抽出性とグラフデータの離散的性質は、SIBの目的を最適化することが難しいことで知られている。 グラフ学習と大規模ポイントクラウドタスクの実験は、ib-subgraphの優れた特性を示している。
  論文  参考訳（メタデータ） (2021-03-20T11:19:43Z)
• Best Arm Identification in Graphical Bilinear Bandits [9.052414772641011]
  本稿では,学習者がグラフのノードにアームを割り当てる,新しいグラフィカル双線形帯域問題を提案する。 学習者が双線形報酬の合計を最大化するグラフ割り当てを見つけたいと思う最良の腕識別問題について研究する。
  論文  参考訳（メタデータ） (2020-12-14T15:25:23Z)
• Graph Information Bottleneck for Subgraph Recognition [103.37499715761784]
  本稿では,深層グラフ学習における部分グラフ認識問題に対するグラフ情報ブートネック(GIB)の枠組みを提案する。 この枠組みの下では、最大情報でありながら圧縮的な部分グラフ(IB-subgraph)を認識できる。 IB-サブグラフの特性を3つのアプリケーションシナリオで評価する。
  論文  参考訳（メタデータ） (2020-10-12T09:32:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。